Een AI-agent alleen zoekt, redeneert en handelt binnen één contextvenster. Een multi-agentsysteem verdeelt het werk tussen een hoofdagent die plant en meerdere gespecialiseerde subagenten die parallel werken. Anthropic mat dat deze architectuur een enkele agent met 90,2 % overtreft op de eigen research-eval, ten koste van ongeveer 15 keer meer tokens. Voor een Belgisch bedrijf dat van demonstraties naar productie gaat, is de echte vraag niet of meerdere agenten beter zijn dan één, maar wanneer de orkestratie de kosten waard is, en hoe je ze bestuurt.
Een AI-agent is een taalmodel dat tools in een lus gebruikt om een doel te bereiken: het zoekt, leest een resultaat, beslist over de volgende stap, begint opnieuw. Zolang de taak in één contextvenster past en één draad volgt, volstaat één agent. Multi-agent begint wanneer je de taak toevertrouwt aan meerdere agenten die het werk verdelen en parallel vooruitgaan.
Anthropic beschrijft het meest voorkomende schema: een hoofdagent analyseert de vraag, bepaalt een strategie en lanceert dan gespecialiseerde subagenten die elk een invalshoek verkennen in hun eigen contextvenster, voor ze een synthese terugsturen. Dat is het orchestrator-worker-patroon. Het nut is precies: elke subagent comprimeert veel informatie tot weinig nuttige tokens, wat de grenzen van één context overstijgt.
Eén draad, één contextvenster. Eenvoudig te bouwen, te volgen en te debuggen. Geschikt voor sequentiële taken waar elke stap afhangt van de vorige.
Meerdere agenten parallel, gecoördineerd door een hoofdagent. Geschikt voor brede taken, met veel informatie, waar de deelvragen onafhankelijk zijn.
Agenten coördineren is geen enkel recept. Enkele patronen keren terug in de frameworks en in productiesystemen, van het eenvoudigste tot het moeilijkst te beheersen.
Een hoofdagent ontleedt de taak, delegeert aan subagenten en synthetiseert hun antwoorden. Dat is het orchestrator-worker-patroon, het meest verspreid in productie.
meest gangbaarDe agenten geven het stokje door in een vaste volgorde, elk verwerkt de output van de vorige. Leesbaar en voorspelbaar, als een montagelijn.
stappen in ketenSupervisors van supervisors: een hoofd coördineert teams van agenten. Nuttig wanneer de deeltaken zich nog verder opsplitsen.
teams van teamsDe agenten communiceren rechtstreeks met elkaar, zonder enkele baas. Krachtig, maar moeilijker te controleren en te traceren.
peer to peerDe winst is niet theoretisch. Op de interne research-eval stelde Anthropic vast dat een systeem met Claude Opus 4 als hoofdagent en subagenten Claude Sonnet 4 een enkele agent Claude Opus 4 met 90,2 % overtrof. Het voordeel is duidelijk bij brede vragen, waar je meerdere onafhankelijke sporen tegelijk moet volgen.
De parallellisatie verandert ook de responstijd. Door 3 tot 5 subagenten parallel te lanceren in plaats van in serie, verkortte Anthropic de zoektijd tot 90 % bij complexe vragen. De dominante factor is niet mysterieus: in de analyse verklaart het tokengebruik op zich 80 % van het prestatieverschil. Hoe meer een systeem oordeelkundig tokens kan uitgeven, hoe beter het antwoordt.
De taken met sterke parallellisatie, waar de informatie één contextvenster overstijgt en waar je veel tools moet bevragen. Onderzoek, monitoring, het verzamelen en kruisen van bronnen zijn de typevoorbeelden. Anthropic vermeldt een brede vraag waar de enkele agent faalt door sequentieel zoeken, terwijl het multi-agentsysteem het antwoord vindt door het werk te verdelen.
Die kracht heeft een directe prijs. Nog steeds volgens Anthropic verbruikt een agent ongeveer 4 keer meer tokens dan een gewone conversatie, en een multi-agentsysteem ongeveer 15 keer meer. De orkestratie verantwoordt zich dus alleen voor taken waarvan de waarde die meerkost dekt.
Multi-agent is niet altijd de juiste keuze. Wanneer alle agenten dezelfde context moeten delen, of wanneer de deeltaken sterk van elkaar afhangen, kost de coördinatie meer dan ze oplevert. Anthropic merkt op dat de meeste codetaken, minder parallelliseerbaar dan onderzoek, zich er vandaag slecht toe lenen.
Gartner voorspelt dat meer dan 40 % van de projecten rond agentische AI tegen eind 2027 wordt stopgezet, bij gebrek aan duidelijke waarde, beheerste kosten of risicocontrole. Een slecht omkaderd systeem vermenigvuldigt de tool-oproepen, de tokens en de onvoorziene gedragingen: een van de eerste faalmodi bij Anthropic was 50 subagenten lanceren voor een eenvoudige vraag. De regel blijft dezelfde: klein beginnen, de kost per taak meten, plafonneren.
Opdat agenten samenwerken, zijn er twee soorten verbindingen nodig: een agent verbinden met tools en data, en agenten onderling verbinden. Twee open standaarden braken zeer snel door in 2025.
Het Model Context Protocol, eind 2024 gepubliceerd door Anthropic, standaardiseert de verbinding tussen een model en tools of databronnen. OpenAI nam het over in maart 2025, gevolgd door Google en Microsoft. Het werd de gemeenschappelijke poort tussen agenten en tools.
Agent2Agent, aangekondigd in april 2025 met meer dan 50 partners, laat agenten van verschillende frameworks en uitgevers toe te communiceren en taken te delegeren. In juni 2025 toevertrouwd aan de Linux Foundation, met het oog op neutraal bestuur.
De praktische inzet is interoperabiliteit. Een agent van je CRM, een agent van je ERP en een eigen agent spreken standaard niet dezelfde taal. MCP geeft hen een gemeenschappelijke toegang tot tools, A2A laat hen toe zich te coördineren. Zonder die laag blijft elke integratie fragiel maatwerk, duur in onderhoud.
Aan de gereedschapszijde is het aanbod snel uitgebreid. Geen enkel framework domineert, en de keuze hangt vooral af van je technische stack en je productievereisten.
Orkestratie via een toestandsgraaf, met fijne controle over de overgangen tussen agenten. Gewaardeerd voor complexe stromen.
Agenten georganiseerd in teams met rollen en taken. Een eenvoudige en leesbare aanpak om te starten.
Open source-SDK gepubliceerd in oktober 2025, die Semantic Kernel en AutoGen samenbrengt. Productiegericht, op .NET en Python.
De Agent Development Kit van Google (april 2025) en de Agents SDK van OpenAI (maart 2025, uit Swarm) gereedschappen om multi-agentsystemen te bouwen.
De brede en repetitieve taken met hoge waarde: concurrentiemonitoring, documentanalyse, het kruisen van bronnen, het voorbereiden van dossiers. Daar betaalt de orkestratie haar meerkost in tokens terug.
De eenvoudige, sequentiële taken of die sterk afhangen van een gedeelde context. Eén goed uitgeruste agent is daar sneller, goedkoper en gemakkelijker te traceren.
Een multi-agentsysteem zet tool-oproepen, data en soms uitgaven in. De stromen lopen via meerdere modellen, eventueel op afstand. Beheersen waar de data circuleren en wie wat ziet, wordt centraal. Een uitrol die de AVG en de EU AI Act respecteert, op een infrastructuur die je controleert, blijft eenvoudiger te besturen dan een ondoorzichtige samenstelling van diensten van derden. Elke agent die handelt, moet traceerbaar, geplafonneerd en gesuperviseerd zijn, vanaf het ontwerp.
Breed, parallelliseerbaar, met hoge waarde. Als één agent volstaat, hou het daarbij.
Hoofdagent, gespecialiseerde subagenten, het bereik van elk. Wie beslist, wie uitvoert, wie valideert.
MCP voor de tools, A2A als meerdere frameworks naast elkaar bestaan. Elke oproep loggen voor de audit.
De tokens per taak volgen, plafonneren, de gevoelige gevallen superviseren, documenteren voor de toezichthouder.
Molderez Consult helpt Belgische bedrijven beslissen wanneer multi-agent-orkestratie de kost waard is, patronen, protocollen en frameworks te kiezen, en het geheel uit te rollen met traceerbaarheid en governance, op een beheerste infrastructuur.
Praten over mijn use case